时序预测 | MATLAB实现GWO-BiLSTM灰狼算法优化双向长短期记忆神经网络股票价格预测

本文涉及的产品
云原生数据库 PolarDB 分布式版,标准版 2核8GB
简介: 时序预测 | MATLAB实现GWO-BiLSTM灰狼算法优化双向长短期记忆神经网络股票价格预测

✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信。

🍎个人主页:Matlab科研工作室

🍊个人信条:格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信      无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

⛄ 内容介绍

一种基于灰狼算法优化LSTM的网络流量预测方法,属于网络流量预测领域,该方法包括以下步骤:对第一网络流量数据集进行极差标准化处理,得到第二网络流量数据集,并划分为训练集和测试集,并确定灰狼算法优化LSTM神经网络中输入层单元个数,输出层单元个数和隐藏层单元个数;用得到第二网络流量数据集,在过程中利用灰狼算法来优化LSTM神经网络的参数,得到训练完成的决策算法优化LSTM神经网络;灰狼优化算法可以有效解决优化中的求解问题,可应用于工程,经济,调度等问题求解.灰狼优化算法利用自身的全局最优能力弥补传统LSTM容易收敛于局部最优解的缺点,提高LSTM避免局部最优能力;加快LSTM神经网络参数收速度.实验证明,灰狼算法优化LSTM能够有效减少神经网络的训练时间,提高了股价预测精度.

LSTM 是循环神经网络中的一个特殊网络,它能够很好的处理序列信息并从中学习有效特征,它把以往的神经单元用一个记忆单元( memory cell) 来代替,解决了以往循环神经网络在梯度反向传播中遇到的爆炸和衰减问题. 一个记忆单元利用了输入门 it、一个记忆细胞 ct、一个忘记门 ft、一个输出门 ot 来控制历史信息的储存记忆,在每次输入后会有一个当前状态 ht,ht 计算如下:

其中,xt 为 t 时刻输入的情感词向量,σ 为 sigmoid 函数, 代表向量对应元素依次相乘,其中水电费 Wi,Ui,Vi,bi, Wg,Ug,bg,Wo,Uo,Vo,bo 为 LSTM 参数.

⛄ 部分代码

clc

clear all

close all hidden

disp('****************************ANTENNA DIPOLE PROJECT******************************')

disp('                             farshid.azhir                                  ')

disp('NOTICE!:This project includes 3type of dipole 1)INFINITESIMALE DIPOLE')

disp('                                              2)SMALL DIPOLE')

disp('                                              3)FINIT LENGHT DIPOLE')

                                                 

F=input('Please Enter Frequency F(Hz)=\n');

disp('----------------')

lambda=(3e8/F)

disp('----------------')

L=input('Please Enter length L(meter)=\n');

disp('----------------')

I=input('Please Enter Current(Amplitude) I0=');

T=input('Please Enter current(Phase) theta=');

i=I.*exp(j.*T)

disp('              ')

w=2.*pi.*F;

B=2*pi/lambda;

etha=377;

if L<=lambda/50

   disp('~~~~~~~~~~~~~~~~~~~~~~~INFINITESIMALE DIPOLE~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')

r=1000*lambda/(2*pi);

x=0:0.0005:pi;

q=0:0.001:2*pi;

E=(1./(4.*pi.*r)).*etha.*B.*I.*L.*sin(x).*cos((2.*pi.*F).*q-B.*r+pi./2+T);

subplot(2,2,1)

plot(x,E)

title('Electric Field')

H=(1./(4.*pi.*r)).*B.*I.*L.*sin(x).*cos((2.*pi.*F).*q-B.*r+pi./2+T);

subplot(2,2,2)

plot(x,H)

title('Magnetic Field')

subplot(2,2,3)

P=sin(x);

polar(x,P)

hold on

p=sin(-x);

polar(x,p)

view(-270,-90)

title('Antenna pattern')

disp('**************************  Resistance density(Rr)=   ***************************')

Rr=80.*(pi).*(pi).*(L/lambda)^2

disp('**************************  Directivity=  ****************************************')

D=3/2

%current plot

subplot(2,2,4)

z=-L/2:0.001:L/2;

ii=I.*cos(2.*pi.*F.*z+T);

plot(ii,z)

title('Current distribution')

figure

% 1.- 3-D Mesh: Azimut & Elevation

%----------------------------------

n_tehta = 130; % Samples on Elevation

n_phi = 130; % Samples on Azimut

[tehta,phi]=meshgrid(eps:pi./(n_tehta-1):pi,...

           0:2*pi./(n_phi-1):2*pi) ;

radio = sin(tehta);

X=radio.*sin(tehta).*cos(phi);

Y=radio.*sin(tehta).*sin(phi);

Z=radio.*cos(tehta);

surf(X,Y,Z)

camlight right

light

shading interp

colorbar

axis image

rotate3D on

TITLE('3D-Pattern plot')

elseif (L>lambda/50)&(L<=lambda/10)

   %SMALL DIPOLE

   %CALCULATE-------------------------------------------------------

 disp('~~~~~~~~~~~~~~~~~~SMALL DIPOLE~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')

r=1000*lambda/(2*pi);

x=0:0.0005:pi;

q=0:0.001:2*pi;

E=(1./(8.*pi.*r)).*etha.*B.*I.*L.*sin(x).*cos(((w).*q)-B.*r+pi./2+T);

subplot(2,2,1)

plot(x,E)

title('Electric Field')

H=(1./(8.*pi.*r)).*B.*I.*L.*sin(x).*cos(((w).*q)-B.*r+pi./2+T);

subplot(2,2,2)

plot(x,H)

title('Magnetic Field')

subplot(2,2,3)

P=sin(x);

polar(x,P)

hold on

p=sin(-x);

polar(x,p)

view(-270,-90)

title('Antenna pattern')

disp('**************************  Resistance density(Rr)=   ***************************')

Rr=20.*(pi).*(pi).*(L/lambda).^2

disp('**************************  Directivity=  ****************************************')

D=3/2

subplot(2,2,4)

z=0:0.000001:L/2;

ii=I.*cos(2.*pi.*F.*z+T).*(1-(2/L).*z);

plot(ii,z)

hold on

z=-L/2:0.000001:0;

ii=I.*cos(2.*pi.*F.*z+T).*(1+(2/L).*z);

plot(ii,z)

figure

% 1.- 3-D Mesh: Azimut & Elevation

n_tehta = 130; % Samples on Elevation

n_phi = 130; % Samples on Azimut

[tehta,phi]=meshgrid(eps:pi./(n_tehta-1):pi,...

           0:2*pi./(n_phi-1):2*pi) ;

radio = sin(tehta);

X=radio.*sin(tehta).*cos(phi);

Y=radio.*sin(tehta).*sin(phi);

Z=radio.*cos(tehta);

surf(X,Y,Z)

camlight right

light

shading interp

colorbar

axis image

rotate3D on

TITLE('3D-Pattern plot')

else

   disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~FINITE LENGTH DIPOLE~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')

      r=1000000*lambda/(2*pi);

x=eps:0.001:2*pi;

q=eps:0.001:2*pi;

A=cos(B.*L/2);

p=cos(cos(x).*B.*L/2)-A;

m=p./sin(x);

E=(1./(2.*pi.*r)).*etha.*B.*I.*L.*m.*cos(((w).*q)-B.*r+pi./2+T);

subplot(2,3,1)

plot(x,E)

title('Electric Field')

H=(1./(2.*pi.*r)).*B.*I.*L.*m.*cos(((w).*q)-B.*r+pi./2+T);

subplot(2,3,2)

plot(x,H)

title('Magnetic Field')

subplot(2,3,3)

polar(x,m,'r')

hold on

m=-p./sin(x);

polar(x,m,'r')

view(-270,-90)

title('Antenna pattern')

subplot(2,3,4)

z=0:0.00001:L/2;

ii=I.*cos((w).*z+T).*(sin(B.*(-z+L/2)));

plot(ii,z)

hold on

z=-L/2:0.00001:0;

ii=I.*cos((w).*z+T).*(sin(B.*(z+L/2)));

plot(ii,z)

grid on

title('Current Distribution')

disp('**************************  Resistance density(Rr)=   ***************************')

rr=(0.5772+log(B*L))-cosint(B*L);

ro=rr+(1/2).*sin(B*L)*(sinint(2*B*L)-2*sinint(B*L));

Q=ro+(1/2).*cos(B*L)*(0.5772+log(B*L/2)+cosint(2*B*L)-2*cosint(B*L));

Rr=(etha/(2*pi)).*Q

subplot(2,3,5)

D=2.*(m.^2)./Q;

polar(x,D,'k')

view(-270,-90)

title('Directivity')

figure

% 1.- 3-D Mesh: Azimut & Elevation

n_tehta = 130; % Samples on Elevation

n_phi = 130; % Samples on Azimut

[tehta,phi]=meshgrid(eps:pi./(n_tehta-1):pi,...

           0:2*pi./(n_phi-1):2*pi) ;

Bas = L/lambda; % Half Wave Dipole

Num = cos(pi*Bas*cos(tehta))-cos(pi*Bas);

Den = sin(tehta);

radio = Num./Den;

X=radio.*sin(tehta).*cos(phi);

Y=radio.*sin(tehta).*sin(phi);

Z=radio.*cos(tehta);

surf(X,Y,Z)

camlight right

light

shading interp

colorbar

axis image

rotate3D on

TITLE('3D-Pattern plot')

end

disp('          ')

disp('press any key to go to manipulation of feeder section')

pause

%-------------------manipulation of feeder--------

clc

close all hidden

disp('....................................change posision of feeder...........................')

f=input('Enter Frequency:\n');

disp('------------------------------------------------------------')

 lambda=3e8/f

disp('------------------------------------------------------------')

 L=input('Enter L(length of dipole:\n');

disp('Please enter any key to continue...')

pause

disp('------------------------------------------------------------')

disp('L/2')

L/2

disp('------------------------------------------------------------')

i=input('current:\n');

b=2*pi/lambda;

 n=L/(lambda/2);

 

 if n<=1;

   disp('dipole antenna is lambda/2 or smaller ')

   disp('---------------------------------------')

   h=input('position of feeder,posision must be 0<position<L/2 or -L/2<position<0\n--->');

if (h>L/2)|(h<-L/2)

   error('you enter position feeder greater than Length of dipole')

   return

end

disp('              ')

disp('Rradiational when change posision feeder=')

Rr_new=Rr./((sin(B.*((L/2)-h))).^2)

Rr_old=Rr

xp=h;

yp=-i:0.00001:-i+(i/100);

plot(yp,xp,'dr')

hold on

x=-L/2:0.01:L/2;

y=i*sin(b*((L/2)-(x+h)));

plot(y,x)

grid on

elseif n==2;

   

    disp('Length dipole antenna is lambda ')

   disp('---------------------------------------')

       h=input('position of feeder,posision must be 0<position<L/2 or -L/2<position<0\n--->');

if (h>L/2)|(h<-L/2)

   error('you enter position feeder greater than Length of dipole')

   return

end

disp('              ')

disp('Rradiational when change posision feeder=')

Rr_new=Rr./((sin(B.*((L/2)-h))).^2)

Rr_old=Rr

xp=h;

yp=-i:0.001:-i+(i/100);

plot(yp,xp,'sr')

hold on

grid on

if h==0

 x=0:0.01:L/2;

y=i*sin(b*((L/2)-(x+h)));

plot(y,x)

hold on

x=-L/2:0.01:0;

y=i*sin(b*((L/2)+(x+h)));

plot(y,x)

grid on  

elseif h>0    

x=0:0.01:L/2;

y=i*sin(b*((L/2)-(x+h)));

plot(y,x)

hold on

x=-L/2:0.01:0;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

grid on

else

x=-L/2:0.01:0;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

hold on

x=0:0.01:L/2;

y=i*sin(b*((L/2)+(x+h)));

plot(y,x)

grid on

end

elseif n==3;

      disp('Length dipole antenna is 3*lambda/2 ')

   disp('---------------------------------------')

       h=input('position of feeder,posision must be 0<position<L/2 or -L/2<position<0\n--->');

if (h>L/2)|(h<-L/2)

   error('you enter position feeder greater than Length of dipole')

   return

end

disp('              ')

disp('Rradiational when change posision feeder=')

Rr_new=Rr./((sin(B.*((L/2)-h))).^2)

Rr_old=Rr

xp=h;

yp=-i:0.001:-i+(i/100);

plot(yp,xp,'sr')

hold on

x=-L/2:0.01:L/2;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

grid on

elseif n==4;

     disp('Length dipole antenna is 2*lambda ')

   disp('---------------------------------------')

       h=input('position of feeder,posision must be 0<position<L/2 or -L/2<position<0\n--->');

if (h>L/2)|(h<-L/2)

   error('you enter position feeder greater than Length of dipole')

   return

end

disp('              ')

disp('Rradiational when change posision feeder=')

Rr_new=Rr./((sin(B.*((L/2)-h))).^2)

Rr_old=Rr

xp=h;

yp=-i:0.001:-i+0.1;

plot(yp,xp,'sr')

hold on

grid on

if h==0

 x=0:0.01:L/2;

y=i*sin(b*((L/2)-(x+h)));

plot(y,x)

hold on

x=-L/2:0.01:0;

y=i*sin(b*((L/2)+(x+h)));

plot(y,x)

grid on  

elseif (0<h)&(h<lambda/2);


   x=0:0.01:lambda/2;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

hold on

x=lambda/2:0.01:lambda;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

x=0:-0.01:-lambda/2;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

x=-lambda/2:-0.01:-lambda;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

grid on

elseif ((lambda/2)<h)&(h<lambda);  


   x=lambda/2:0.01:lambda;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

hold on

x=0:0.01:lambda/2;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

x=0:-0.01:-lambda/2;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

x=-lambda/2:-0.01:-lambda;

y=i*sin(pi+b*((L/2)-(x+h)));

plot(y,x)

grid on

elseif ((-lambda/2)<h)&(h<0);  


x=lambda/2:0.01:lambda;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

hold on

x=0:0.01:lambda/2;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

x=0:-0.01:-lambda/2;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

x=-lambda/2:-0.01:-lambda;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

grid on

else

   ((-lambda/2)>h)&(h>(-lambda));  

x=lambda/2:0.01:lambda;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

hold on

x=0:0.01:lambda/2;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

x=0:-0.01:-lambda/2;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

x=-lambda/2:-0.01:-lambda;

y=i*sin(pi+b*((L/2)+(x+h)));

plot(y,x)

grid on

end

else

disp('Length dipole antenna is greater than 2*lambda and undefined ')

   disp('--------------------Exit----------------------')

end


⛄ 运行结果

⛄ 参考文献

[1]杜秀丽等. "一种基于决策灰狼算法优化LSTM的网络流量预测方法.", CN111371607A. 2020.

⛄ 完整代码

❤️部分理论引用网络文献,若有侵权联系博主删除
❤️ 关注我领取海量matlab电子书和数学建模资料


相关实践学习
快速体验PolarDB开源数据库
本实验环境已内置PostgreSQL数据库以及PolarDB开源数据库:PolarDB PostgreSQL版和PolarDB分布式版,支持一键拉起使用,方便各位开发者学习使用。
相关文章
|
1月前
|
机器学习/深度学习 人工智能 算法
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
车辆车型识别,使用Python作为主要编程语言,通过收集多种车辆车型图像数据集,然后基于TensorFlow搭建卷积网络算法模型,并对数据集进行训练,最后得到一个识别精度较高的模型文件。再基于Django搭建web网页端操作界面,实现用户上传一张车辆图片识别其类型。
78 0
【车辆车型识别】Python+卷积神经网络算法+深度学习+人工智能+TensorFlow+算法模型
|
2月前
|
机器学习/深度学习 算法 数据挖掘
基于GWO灰狼优化的GroupCNN分组卷积网络时间序列预测算法matlab仿真
本项目展示了基于分组卷积神经网络(GroupCNN)和灰狼优化(GWO)的时间序列回归预测算法。算法运行效果良好,无水印展示。使用Matlab2022a开发,提供完整代码及详细中文注释。GroupCNN通过分组卷积减少计算成本,GWO则优化超参数,提高预测性能。项目包含操作步骤视频,方便用户快速上手。
|
2月前
|
机器学习/深度学习 人工智能 算法
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
玉米病害识别系统,本系统使用Python作为主要开发语言,通过收集了8种常见的玉米叶部病害图片数据集('矮花叶病', '健康', '灰斑病一般', '灰斑病严重', '锈病一般', '锈病严重', '叶斑病一般', '叶斑病严重'),然后基于TensorFlow搭建卷积神经网络算法模型,通过对数据集进行多轮迭代训练,最后得到一个识别精度较高的模型文件。再使用Django搭建Web网页操作平台,实现用户上传一张玉米病害图片识别其名称。
66 0
【玉米病害识别】Python+卷积神经网络算法+人工智能+深度学习+计算机课设项目+TensorFlow+模型训练
|
2月前
|
机器学习/深度学习 算法 5G
基于BP神经网络的CoSaMP信道估计算法matlab性能仿真,对比LS,OMP,MOMP,CoSaMP
本文介绍了基于Matlab 2022a的几种信道估计算法仿真,包括LS、OMP、NOMP、CoSaMP及改进的BP神经网络CoSaMP算法。各算法针对毫米波MIMO信道进行了性能评估,通过对比不同信噪比下的均方误差(MSE),展示了各自的优势与局限性。其中,BP神经网络改进的CoSaMP算法在低信噪比条件下表现尤为突出,能够有效提高信道估计精度。
44 2
|
2月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于贝叶斯优化卷积神经网络(Bayes-CNN)的多因子数据分类识别算法matlab仿真
本项目展示了贝叶斯优化在CNN中的应用,包括优化过程、训练与识别效果对比,以及标准CNN的识别结果。使用Matlab2022a开发,提供完整代码及视频教程。贝叶斯优化通过构建代理模型指导超参数优化,显著提升模型性能,适用于复杂数据分类任务。
|
2月前
|
机器学习/深度学习 自然语言处理 算法
神经网络算法以及应用场景和基本语法
神经网络算法以及应用场景和基本语法
47 0
|
6月前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】26.卷积神经网络之AlexNet模型介绍及其Pytorch实现【含完整代码】
【从零开始学习深度学习】26.卷积神经网络之AlexNet模型介绍及其Pytorch实现【含完整代码】
|
6月前
|
机器学习/深度学习 PyTorch 算法框架/工具
【从零开始学习深度学习】28.卷积神经网络之NiN模型介绍及其Pytorch实现【含完整代码】
【从零开始学习深度学习】28.卷积神经网络之NiN模型介绍及其Pytorch实现【含完整代码】
|
4月前
|
机器学习/深度学习 PyTorch 算法框架/工具
PyTorch代码实现神经网络
这段代码示例展示了如何在PyTorch中构建一个基础的卷积神经网络(CNN)。该网络包括两个卷积层,分别用于提取图像特征,每个卷积层后跟一个池化层以降低空间维度;之后是三个全连接层,用于分类输出。此结构适用于图像识别任务,并可根据具体应用调整参数与层数。
|
4月前
|
机器学习/深度学习 数据可视化 Python
如何可视化神经网络的神经元节点之间的连接?附有Python预处理代码
该博客展示了如何通过Python预处理神经网络权重矩阵并将其导出为表格,然后使用Chiplot网站来可视化神经网络的神经元节点之间的连接。
59 0
如何可视化神经网络的神经元节点之间的连接?附有Python预处理代码